WEBVTT 00:00:00.000 --> 00:00:02.400 Stellen Sie sich das vor. Sie arbeiten in der App Ihres Unternehmens. 00:00:02.640 --> 00:00:07.600 Vielleicht ist es das HR-Portal, eine Kundensupport-Datenbank oder das interne Wiki mit all den Richtlinien, die Sie befolgen müssen. 00:00:07.960 --> 00:00:12.340 Sie geben eine Frage in die Suchleiste ein. Etwa so, wie reiche ich einen Spesenbericht für einen Kunden-Denner ein? 00:00:12.960 --> 00:00:15.100 Sie drücken die Eingabetaste und was bekommen Sie? Nichts. 00:00:15.620 --> 00:00:19.540 Oder noch schlimmer, eine Liste mit zufälligen PDFs von vor drei Jahren, die irgendwie zu Ihren Wörtern passen. 00:00:20.020 --> 00:00:23.440 Suche ist etwas, das wir jeden Tag benutzen. Und meistens ist sie furchtbar. 00:00:23.860 --> 00:00:25.380 Aber wissen Sie was? Das muss nicht so sein. 00:00:25.760 --> 00:00:28.020 Was wäre, wenn Ihre Apps tatsächlich verstehen können, wonach Sie fragen? 00:00:28.020 --> 00:00:32.980 Was wäre, wenn Sie wie Google suchen könnten und die richtige Antwort fänden, selbst wenn Sie nicht die perfekten Worte wählen? 00:00:33.540 --> 00:00:35.080 Heute beschäftigen wir uns mit der Azure AI Search. 00:00:35.660 --> 00:00:40.220 Was sie genau ist, wie sie im Hintergrund funktioniert und warum sie die Suchmaschine ist, auf der moderne Apps basieren. 00:00:40.840 --> 00:00:42.080 Nehmen Sie sich einen Kaffee und legen wir los. 00:00:42.680 --> 00:00:43.360 Warum suchen Sie besser? 00:00:44.120 --> 00:00:47.420 Um zu verstehen, warum die Suche meist scheitert, müssen wir uns ansehen, wie die meisten Apps dies tun. 00:00:47.960 --> 00:00:50.700 Die traditionelle Methode nennt sich Stichwortsuche oder lexikalische Suche. 00:00:51.380 --> 00:00:56.180 Sie geben das Wort Laptop in das Feld ein und das System sucht nach jedem Dokument, das exakt dieses Wort enthält. 00:00:56.180 --> 00:01:00.180 Im Hintergrund verwenden viele dieser Systeme einen Algorithmus namens BM25. 00:01:01.280 --> 00:01:03.240 Er ist nicht kompliziert, aber auf seine Art clever. 00:01:04.220 --> 00:01:06.180 BM25 bewertet Ergebnisse basierend auf ein paar Faktoren. 00:01:06.780 --> 00:01:11.720 Wie oft Ihr Suchbegriff in einem Dokument vorkommt, wie lang das Dokument ist und wie selten der Suchbegriff im gesamten Datensatz ist. 00:01:12.800 --> 00:01:18.120 Stellen Sie es sich wie einen hochentwickelten Wortzähler vor, der anhand dieser Faktoren ermittelt, welche Dokumente am relevantesten sind. 00:01:18.500 --> 00:01:19.640 Genau hier stößt das Thema seine Grenze. 00:01:19.900 --> 00:01:20.840 Menschliche Sprache komplex. 00:01:21.140 --> 00:01:23.820 Menschen stellen Fragen nicht mit denselben Wörtern, die in Dokumenten verwendet werden. 00:01:23.820 --> 00:01:25.180 Ich gebe Ihnen ein konkretes Beispiel. 00:01:25.760 --> 00:01:27.380 Ein Benutzer gibt dies in ein Supportportal. 00:01:28.520 --> 00:01:30.420 Mein Laptop friert bei Videokonferenzen ständig ein. 00:01:32.060 --> 00:01:34.700 Die Stichwortsuche sucht pflichtbewusst nach Dokumenten, die Laptop friert. 00:01:35.180 --> 00:01:35.400 Ein. 00:01:36.140 --> 00:01:37.260 Videokonferenzen und ständig enthalten. 00:01:38.880 --> 00:01:43.160 Aber was ist, wenn der beste Artikel zu dem Thema den Titelfehlerbehebung bei Systemaufhängern während Teams Meetings trägt? 00:01:43.820 --> 00:01:46.080 Oder Verwaltung von CPU-Drosselungen bei angetockten Laptops? 00:01:46.520 --> 00:01:48.100 Die Stichwortsuche ignoriert diese komplett. 00:01:48.500 --> 00:01:48.660 Warum? 00:01:48.660 --> 00:01:49.940 Weil die Wörter nicht übereinstimmen. 00:01:50.280 --> 00:01:51.320 Das Kernproblem ist folgendes. 00:01:51.640 --> 00:01:53.020 Die Stichwortsuche versteht Rechtschreibung. 00:01:53.340 --> 00:01:55.720 Sie versteht Zeichenfolgen, aber sie versteht keine Bedeutung. 00:01:56.440 --> 00:01:59.380 Sie erhalten Ergebnisse mit den richtigen Buchstaben, aber oft mit dem falschen Inhalt. 00:01:59.760 --> 00:02:02.740 Wenn exakte Wortübereinstimmungen also so viele Lücken hinterlassen, was ist die Alternative? 00:02:03.760 --> 00:02:04.960 Der neue Weg, die Vektorsuche. 00:02:05.520 --> 00:02:07.900 Also Vektorsuche, das ist eine völlig andere Art, Dinge anzugehen. 00:02:08.520 --> 00:02:11.020 Statt nach exakten Wörtern zu suchen, sucht sie nach der Bedeutung. 00:02:11.340 --> 00:02:12.800 Das klingt abstrakt, also lassen Sie uns das auf. 00:02:13.140 --> 00:02:14.940 Die einfachste Definition, die Sie kennen müssen, ist, 00:02:14.940 --> 00:02:18.360 Ein Vektor ist nur eine Liste von Zahlen, die etwas darstellt, womit ein Computer arbeiten kann. 00:02:19.020 --> 00:02:20.300 Das ist alles eine Liste von Zahlen. 00:02:20.820 --> 00:02:23.760 Ein Embedding ist eine spezielle Art von Vektor, der die Bedeutung von Text erfasst. 00:02:24.220 --> 00:02:28.140 Er nimmt einen Satz, einen Absatz oder sogar ein ganzes Dokument und verwandelt es in eine lange Zahlenreihe. 00:02:28.800 --> 00:02:31.440 Der Computer versteht zwar nicht die Wörter, aber er versteht die Zahlen. 00:02:31.840 --> 00:02:32.700 Hier ist ein Vergleich, der hilft. 00:02:33.120 --> 00:02:34.920 Stellen Sie sich Vektoren wie Koordinaten auf einer Landkarte vor. 00:02:35.300 --> 00:02:36.840 Auf einer Karte liegen ähnliche Orte nah beieinander. 00:02:36.840 --> 00:02:39.540 Im Vektorraum landen ähnliche Konzepte nah beieinander. 00:02:40.060 --> 00:02:44.440 Der Vektor für König und der Vektor für Königin liegen nah beieinander, weil sie verwandte Ideen darstellen. 00:02:44.940 --> 00:02:47.580 Der Vektor für König und der Vektor für Apfel liegen weit auseinander. 00:02:48.300 --> 00:02:50.620 Der Computer weiß zwar nicht, was König im menschlichen Sinne bedeutet, 00:02:50.940 --> 00:02:54.720 aber er kann den Abstand zwischen dessen Koordinaten und den jedes anderen Wortes oder Dokuments messen. 00:02:55.440 --> 00:02:57.000 Es ist, als hätte man ein GPS für Ideen. 00:02:57.620 --> 00:03:00.500 Das System weiß anhand der Zahlen, wie weit Konzepte voneinander entfernt sind. 00:03:00.980 --> 00:03:04.740 Wenn Sie mit Vektoren suchen, wandelt das System Ihre Anfrage in ein Embedding um. 00:03:04.980 --> 00:03:07.820 Dann findet es die Dokumente, deren Embeddings Ihrem am nächsten liegen. 00:03:08.100 --> 00:03:10.460 Es findet Dinge, die semantisch ähnlich sind, die Bedeutung teilen. 00:03:10.580 --> 00:03:12.620 Nicht nur Vokabeln, nicht nur Vokabeln. 00:03:12.620 --> 00:03:15.460 Denn Sie sich vor, Sie suchen ein Dokument zur Fehlerbehebung bei einem eingefrorenen Laptop. 00:03:15.740 --> 00:03:18.860 Bei der Stichwortsuche müssten Sie exakt eingefroren oder aufgehängt eingeben. 00:03:19.640 --> 00:03:23.540 Mit der Vektorsuche können Sie mein Computer hängt sich ständig auf Eingeben und das richtige Dokument finden. 00:03:24.080 --> 00:03:25.640 Das ist die Kraft des Bedeutung Verstehens. 00:03:26.140 --> 00:03:27.980 Gehen wir zurück zu unserem Beispiel mit der fehlerhaften Suche. 00:03:28.360 --> 00:03:30.400 Ein Nutzer gibt ein, mein Laptop fritt ständig ein. 00:03:30.940 --> 00:03:34.940 Mit der Vektorsuche kann das System den Artikel über Systemabstürze während Teams Meetings liefern, 00:03:35.240 --> 00:03:37.220 obwohl keines dieser Wörter in der Suchanfrage vorkommt. 00:03:37.220 --> 00:03:38.100 Warum? 00:03:38.600 --> 00:03:42.180 Weil die Bedeutung von Systemabstürzen im Vektorraum sehr nah am Einfrieren des Computers liegt. 00:03:43.200 --> 00:03:45.200 Diese Konzepte liegen auf dieser Karte nah beieinander. 00:03:45.960 --> 00:03:48.660 Dem System sind die exakten Wörter egal, es interessiert sich für das, was Sie meinen. 00:03:49.240 --> 00:03:49.980 Das ist der Durchbruch. 00:03:50.460 --> 00:03:52.780 Computer beginnen die Absicht zu verstehen, nicht nur die Schreibweise. 00:03:53.220 --> 00:03:55.640 Sie finden Antworten, die eine Stichwortsuche völlig übersehen würde. 00:03:56.220 --> 00:03:57.480 Aber die Vektorsuche hat auch eine Schwäche. 00:03:57.940 --> 00:04:00.600 Sie kann exakte Übereinstimmungen verpassen, die absolut kritisch sind. 00:04:00.600 --> 00:04:06.600 Wenn ein Techniker nach einem spezifischen Fehlercode wie X80070570 Suchtriovisiert eine Vektorsuche, 00:04:06.880 --> 00:04:10.400 möglicherweise Dokumente über Festplattenfehler oder Dateisystembeschädigungen, 00:04:10.600 --> 00:04:13.500 anstatt das exakte Dokument, das genau diesen Code erläutert. 00:04:14.600 --> 00:04:16.400 Sie tauscht Präzision gegen Verständen. 00:04:16.620 --> 00:04:17.440 Wir haben also zwei Methoden. 00:04:17.780 --> 00:04:19.180 Die Stichwortsuche ist hervorragend für Präzision. 00:04:19.640 --> 00:04:22.120 Sie findet exakte Begriffe, Produkt-IDs und Vertragsnummern. 00:04:22.600 --> 00:04:24.040 Die Vektorsuche ist hervorragend für Bedeutung. 00:04:24.400 --> 00:04:26.800 Sie findet die richtige Antwort, selbst wenn man nicht die richtigen Wörter verwendet. 00:04:27.240 --> 00:04:28.220 Jeder hat ihre blinden Flecken. 00:04:28.220 --> 00:04:30.080 Und das wirft eine offensichtliche Frage auf. 00:04:30.360 --> 00:04:33.000 Was wäre, wenn man beide Ansätze kombinieren und das Beste aus beiden Welten erhalten? 00:04:33.600 --> 00:04:34.520 Der hybride Durchbruch. 00:04:34.880 --> 00:04:36.560 Hybride Suche ist das Beste aus beiden Welten. 00:04:37.020 --> 00:04:39.380 Sie führt die Stichwort- und die Vektorsuche gleichzeitig aus 00:04:39.380 --> 00:04:41.860 und kombiniert die Ergebnisse in einer einzigen Rangliste. 00:04:42.380 --> 00:04:43.780 Anstatt sich für einen Ansatz zu entscheiden, 00:04:44.000 --> 00:04:47.020 nutzt das System eine Methode namens Reciprocal Rank Fusion, kurz RAF. 00:04:47.440 --> 00:04:48.100 So funktioniert es. 00:04:48.460 --> 00:04:51.220 RAF prüft, wo jedes Dokument in den Stichwort-Ergebnissen rangiert 00:04:51.220 --> 00:04:52.660 und wo es in den Vektor-Ergebnissen steht. 00:04:53.140 --> 00:04:54.340 Dafür gibt es eine kombinierte Punktzahl. 00:04:54.340 --> 00:04:56.660 Wenn ein Dokument in beiden gut abschneidet, erhält es einen Schuh. 00:04:56.660 --> 00:04:59.120 Es ist, als würde man zwei Expertenmeinungen einholen und sie mitteln. 00:04:59.540 --> 00:05:01.820 Das SEND-Ergebnis ist zuverlässiger als jede Methode allein. 00:05:02.480 --> 00:05:06.120 Dies ist wichtig, da Stichwort- und Vektorsuche grundlegend unterschiedliche Stärken haben. 00:05:06.540 --> 00:05:08.380 Die Stichwort-Suche glänzt bei exakten Übereinstimmungen. 00:05:08.820 --> 00:05:12.100 Sie ist die erste Wahl für Produkt-IDs, Vertragsnummern, spezifische Namen und Federcodes. 00:05:12.600 --> 00:05:13.800 Sie ist präzise und vorhersehbar. 00:05:14.380 --> 00:05:16.440 Die Vektorsuche glänzt bei semantischer Ähnlichkeit 00:05:16.440 --> 00:05:18.860 und findet Dokumente, die die gleiche Bedeutung wie Ihre Anfrage haben, 00:05:19.020 --> 00:05:20.420 auch wenn die exakten Wörter nicht vorkommen. 00:05:21.040 --> 00:05:22.800 Zusammen decken Sie die blinden Flecken des jeweils anderen. 00:05:22.800 --> 00:05:26.500 Das System erfasst exakte und konzeptionelle Übereinstimmungen mit einer einzigen Anfrage. 00:05:26.800 --> 00:05:27.580 Das ist die wahre Stärke. 00:05:28.040 --> 00:05:29.160 Und das ist nicht nur theoretisch. 00:05:30.120 --> 00:05:32.060 Untersuchungen zur hybriden Suche in Unternehmen zeigen, 00:05:32.160 --> 00:05:35.160 dass sie je nach Datensatz eine Suchpräzision von 70 bis 80 Prozent liefert. 00:05:35.960 --> 00:05:39.440 Das sind etwa 15 bis 20 Prozentpunkte mehr, als man mit der Vektorsuche allein erhält. 00:05:39.980 --> 00:05:42.800 Der Unterschied ist signifikant und zeigt sich in realen Geschäftsergebnissen. 00:05:43.380 --> 00:05:44.540 Nehmen wir die Buchhaltungsplattform Xero. 00:05:45.200 --> 00:05:48.980 Sie implementierten die hybride Suche in Ihren Kundensupport durch ein Unternehmen namens Covio. 00:05:48.980 --> 00:05:53.360 Innerhalb von drei Monaten verzeichneten sie eine Steigerung der Self-Service-Lösungsrate um 20 Prozent. 00:05:53.700 --> 00:05:56.980 Kunden fanden häufiger eigenständige Antworten, ohne den Support kontaktieren zu müssen. 00:05:57.820 --> 00:06:02.520 Andere Kunden in derselben Fallstudie sahen eine Reduzierung der Bearbeitungszeit für Supportfälle um bis zu 40 Prozent. 00:06:03.220 --> 00:06:08.100 Das bedeutet, Mitarbeiter fanden Informationen schneller, Kunden erhielten Antworten zügiger und die Supportkosten sanken. 00:06:08.500 --> 00:06:12.200 Und das ist nicht nur ein nettes Feature, sondern hat einen messbaren Einfluss auf das Geschäftsergebnis. 00:06:12.540 --> 00:06:13.280 Das ist der entscheidende Punkt. 00:06:13.280 --> 00:06:16.660 Hybride Suche ist nicht nur ein nettes Upgrade oder ein Häkchen auf einer Funktionsliste. 00:06:16.820 --> 00:06:17.520 Sie ist messbar besser. 00:06:17.940 --> 00:06:20.780 Sie liefert eine höhere Präzision, einen besseren Abruf und bessere Ergebnisse für den Nutzen. 00:06:21.180 --> 00:06:25.620 Und genau diese Kombination von Ansätzen macht Azure AI Search so leistungsfähig für moderne Anwendungen. 00:06:26.480 --> 00:06:30.560 Aber es gibt noch eine weitere Technologie, die durch diese Kombination erschlossen wird und die derzeit viel Aufmerksamkeit erhält. 00:06:30.920 --> 00:06:32.560 Sie heißt RAG, die RAG-Verbindung. 00:06:32.960 --> 00:06:34.140 Lassen Sie uns also über RAG sprechen. 00:06:34.500 --> 00:06:36.940 RAG steht für Retrieval Augmented Generation, also eine abrufgeschütztige Enerio. 00:06:36.940 --> 00:06:39.120 Das klingt kompliziert, aber hier ist die einfachste Definition. 00:06:39.540 --> 00:06:43.000 Es ist ein Framework, das KI-Assistenten Zugriff auf Informationen gibt, mit denen sie nicht trainiert wurden. 00:06:43.900 --> 00:06:47.720 Große Sprachmodelle wie GPT wissen viel über Geschichte, Wissenschaft und Programmierung. 00:06:48.200 --> 00:06:54.200 Aber sie kennen nicht ihre internen Firmendokumente, Richtlinien, Kundendaten oder die spezifischen Verfahren ihres Teams. 00:06:55.280 --> 00:06:58.920 Die meisten Leute denken, man könne all dieses interne Wissen einfach in das Modell selbst einspeisen. 00:06:59.380 --> 00:07:01.500 Das funktioniert nicht. Es ist teuer und schwer zu aktualisieren. 00:07:01.960 --> 00:07:03.400 RAG löst dieses Problem auf clevere Weise. 00:07:03.640 --> 00:07:09.420 Anstatt alles in das Modell zu stopfen, rufen sie die relevanten Informationen aus einer Wissensdatenbank ab, genau in dem Moment, in dem man eine Frage stellt. 00:07:09.420 --> 00:07:16.920 Sie nehmen die Benutzeranfrage, durchsuchen ihre internen Daten, finden die relevantesten Dokumente und speisen diesen Kontext zusammen mit der ursprünglichen Frage in das LLM ein. 00:07:17.520 --> 00:07:19.680 Das LLM generiert dann eine Antwort, die auf ihren Daten basiert. 00:07:20.140 --> 00:07:20.920 Es ist das Magische daran. 00:07:21.300 --> 00:07:24.260 Azure AI Search bildet dabei die Retrieval-Hälfte dieser Gleichung. 00:07:24.800 --> 00:07:28.180 Es ist die Engine, die die richtigen Dokumente findet, damit das LLM präzise antworten kann. 00:07:28.180 --> 00:07:32.620 Ohne eine solide Retrieval-Ebene ist ein RAG-System nur so gut wie die Dokumente, die es findet. 00:07:33.320 --> 00:07:34.980 Und genau hier glänzt die hybride Suche. 00:07:35.200 --> 00:07:40.820 Denn RAG-Anfragen sind oft Fragen in natürlicher Sprache, während die Antworten oft in Dokumenten mit völlig unterschiedlicher Terminologie stehen. 00:07:41.380 --> 00:07:43.320 Lassen Sie mich Ihnen einige Zahlen an, in den den Unterschied wirklich verdrehen. 00:07:44.080 --> 00:07:52.160 Eine Studie zur Suche in Unternehmensanwendungen ergab, dass ein hybrides RAG-Framework die Top-K-Retrieval-Genauigkeit um das 18-25-Fache gegenüber einer reinen Stichwortsuche verbesserte. 00:07:52.160 --> 00:07:55.880 Die Genauigkeit beim Abschluss von Arbeitsabläufen verbesserte sich um das 21. 00:07:56.280 --> 00:08:02.380 Das bedeutet, dass Benutzer mit Unterstützung eines RAG-Systems, das hybride Suche verwendet, komplexe Aufgaben wesentlich erfolgreicher abschließen können. 00:08:03.060 --> 00:08:07.740 Insgesamt können ordnungsgemäß implementierte RAG-Systeme die Suchgenauigkeit um durchschnittlich 85% steigern, 00:08:07.740 --> 00:08:10.680 wobei einige spezialisierte Bereiche eine Genauigkeit von nahezu 90% erreichen. 00:08:11.100 --> 00:08:15.420 Und da das LLM Antworten auf Basis des abgerufenen Kontexts generiert und nicht auf eigenen Vermutungen, 00:08:15.640 --> 00:08:18.740 zeigten RAG-Systeme eine Verringerung halluzinierter Antworten um etwa 40%. 00:08:18.740 --> 00:08:22.880 Deshalb ist Azure AI Search so zentral für die Entwicklung von KI-Agenten und Co-Piloten. 00:08:23.500 --> 00:08:27.900 Es bietet den fundierten, faktenbasierten Abruf, der LLMs in einem geschäftlichen Kontext vertrauenswürdig macht. 00:08:28.560 --> 00:08:32.100 Wenn Sie einen Assistenten entwickeln, der Fragen präzise beantworten und seine Quellen angeben soll, 00:08:32.100 --> 00:08:35.260 ist eine hybride Suche in Kombination mit RAG die Architektur Ihrer Wahl. 00:08:35.680 --> 00:08:38.140 Hybride Suche plus RAG ist also ein leistungsstarker Kombination. 00:08:38.720 --> 00:08:40.320 Doch wie sieht das Ganze in der Praxis aus? 00:08:41.560 --> 00:08:44.460 Die Auswirkungen der Realnummer. Wo kommt das also in der Praxis zum Einsatz? 00:08:44.840 --> 00:08:46.000 Lassen Sie mich Ihnen ein paar Beispiele nennen. 00:08:46.380 --> 00:08:47.940 E-Commerce ist wahrscheinlich das bekannteste Beispiel. 00:08:48.740 --> 00:08:50.820 Ein Kunde gibt bequeme Laufschuhe in die Suchleiste ein. 00:08:51.520 --> 00:08:53.620 In der Produktbeschreibung steht vielleicht gepolsterte Sportschuhe, 00:08:53.660 --> 00:08:55.500 weil das Marketing-Team andere Begriffe gewählt hat. 00:08:56.480 --> 00:08:59.060 Eine reine Stichwort-Suche würde diesen Treffer komplett verfehlen. 00:08:59.420 --> 00:09:04.420 Mit Azure AI Search versteht das System, das bequem und gepolstert in diesem Kontext ungefähr das gleiche bedeuten. 00:09:05.100 --> 00:09:07.920 Es zeigt das richtige Produkt an, auch wenn die Begriffe nicht exakt übereinstimmen. 00:09:08.520 --> 00:09:11.440 So findet der Kunde, was er sucht, anstatt frustriert die Seite zu verlassen. 00:09:12.040 --> 00:09:13.640 Kundensupport-Portale funktionieren nach demselben Prinzip. 00:09:14.240 --> 00:09:16.680 Stellen Sie sich vor, ein Kunde fragt, wie kann ich mein Abonnement kündigen? 00:09:16.680 --> 00:09:20.480 Die entsprechende Richtlinie trägt vielleicht den Titel Beendigung der Dienstleistungsvereinbarung. 00:09:20.880 --> 00:09:24.860 Die hybride Suche findet genau dieses Dokument durch den Abgleich juristischer Fachbegriffe, 00:09:25.380 --> 00:09:29.760 liefert aber durch semantische Ähnlichkeit auch eine passende FAQ zur vorzeitigen Vertragsbeendigung. 00:09:30.460 --> 00:09:35.400 Der Kunde erhält eine umfassende Antwort, anstatt fünf verschiedene Artikel durchsuchen zu müssen. 00:09:35.400 --> 00:09:37.900 Die Suche nach Rechtsdokumenten ist ein weiteres Beispiel. 00:09:38.480 --> 00:09:42.140 Anwälte müssen Verträge nach exakten Klauselnummern und Abschnittsverweisen durchsuchen. 00:09:42.840 --> 00:09:44.340 Das ist reines Terrain für die Stichwort-Suche. 00:09:44.620 --> 00:09:48.000 Aber Sie müssen auch ähnliche Formulierungen in verschiedenen Verträgen finden, selbst wenn die Wortwahl variiert. 00:09:48.820 --> 00:09:53.380 Die hybride Suche bewältigt beides in einer einzigen Abfrage und in regulierten Branchen ist es für die Compliance entscheidend, 00:09:53.440 --> 00:09:55.600 genau nachvollziehen zu können, warum ein Ergebnis angezeigt wurde. 00:09:56.120 --> 00:09:57.600 Auch interne Wissensdatenbanken profitieren davon. 00:09:57.600 --> 00:10:02.480 Ein Mitarbeiter, der nach der Urlaubsrichtlinie sucht, erhält das offizielle H-Dokument, 00:10:02.900 --> 00:10:05.620 aber auch eine diesbezügliche E-Mail der Rechtsabteilung zu Resturlaubstagen, 00:10:06.060 --> 00:10:08.100 sowie eine aktuelle Mitteilung aus dem Firmenintranet. 00:10:09.300 --> 00:10:11.820 Die Suche versteht, dass all diese Dinge mit derselben Frage zusammenhängen. 00:10:12.440 --> 00:10:15.080 Die Fertigungsindustrie ist ein weniger offensichtliches, aber sehr starkes Beispiel. 00:10:15.800 --> 00:10:18.740 Ein Techniker gibt Motorüberhitzung beheben in die Suchoberfläche ein. 00:10:18.980 --> 00:10:22.040 Das System liefert den Abschnitt zur Fehlerbehebung aus dem Gerätehandbuch 00:10:22.040 --> 00:10:25.420 sowie ein gescanntes Diagramm mit den relevanten Bauteilen mit den relevanten Bauteilen. 00:10:25.420 --> 00:10:29.700 Obwohl das Diagramm ein Bild ist, kann Azure AI Search den Textinhalt extrahieren und indexieren, 00:10:29.920 --> 00:10:31.280 sodass er in den Suchergebnissen erscheint. 00:10:31.920 --> 00:10:34.560 Der rote Faden bei all diesen Beispielen sind unstrukturierte Daten. 00:10:35.400 --> 00:10:37.980 PDFs, Word-Dokumente, E-Mail-Support-Tickets, gescannte Bilder. 00:10:38.640 --> 00:10:42.080 Herkömmliche Datenbankabfragen und Stichwort-Suchen waren nie für diese Art von Daten konzipiert. 00:10:42.660 --> 00:10:46.300 Azure AI Search ist speziell für diese Welt entwickelt und je intensiver man sich damit befasst, 00:10:46.380 --> 00:10:48.780 desto klarer wird, dass hybride Suche nicht nur ein nettes Feature ist. 00:10:49.320 --> 00:10:51.860 Es ist ein grundlegender Bestandteil, wie moderne Anwendungen aufgebaut sind. 00:10:52.700 --> 00:10:53.580 Die Details zusammenpassen. 00:10:53.900 --> 00:10:55.680 Wie funktioniert das Ganze also eigentlich im Hintergrund? 00:10:56.380 --> 00:10:58.520 Azure AI Search hat drei Kernkomponenten. 00:10:58.840 --> 00:11:01.140 Die Datenquelle, den Indexer und den Suchindex. 00:11:01.900 --> 00:11:04.020 Die Datenquelle ist der Ort, an dem Ihre Informationen liegen. 00:11:04.420 --> 00:11:08.980 Das kann Blob Storage, eine Azure SQL-Datenbank, Cosmos DB oder sogar SharePoint sein. 00:11:09.560 --> 00:11:11.480 Es ist das Rohmaterial, das durchsuchbar gemacht werden muss. 00:11:11.960 --> 00:11:14.400 Denen Sie es sich wie ein Stapel Dokumente vor, der darauf wartet, organisiert zu werden. 00:11:14.880 --> 00:11:17.480 Der Indexer ist die Pipeline, die Daten aus der Quelle liest, 00:11:17.960 --> 00:11:20.820 den Inhalt extrahiert, konfigurierte KI-Anreicherungen anwendet 00:11:20.820 --> 00:11:22.500 und dann den Suchindex aufbaut. 00:11:23.280 --> 00:11:24.820 Hier ist eine einfache Möglichkeit, Sie das vorzustellen. 00:11:25.360 --> 00:11:28.220 Stellen Sie sich einen Bibliothekar vor, der ein Lagerhaus voller Bücher betritt. 00:11:28.700 --> 00:11:31.000 Er liest jedes einzelne, macht sich detaillierte Notizen, 00:11:31.180 --> 00:11:34.180 identifiziert Schlüsselthemen und Entitäten und ordnet alles in einem Katalog. 00:11:34.820 --> 00:11:36.780 Dieses Lesen und Notieren ist der Indizierungsprozess. 00:11:37.380 --> 00:11:38.680 Der Suchindex ist dieser Katalog. 00:11:39.200 --> 00:11:40.100 Es sind nicht die Bücher selbst. 00:11:40.100 --> 00:11:44.960 Es ist das strukturierte, optimierte System, mit dem Sie in Millisekunden genau das finden, was Sie brauchen. 00:11:45.800 --> 00:11:49.480 Wenn Sie eine Suchanfrage eingeben, durchsucht das System nicht die Originaldokumente Mente. 00:11:50.200 --> 00:11:53.660 Stattdessen schlägt es im Index nach, der bereits genau weiß, wo sich alles befindet. 00:11:54.560 --> 00:11:56.520 Diese Voraborganisation nennt man einen invertierten Index. 00:11:57.100 --> 00:11:59.380 Anstatt Dokumente mit einer Liste Ihrer Wörter zu speichern, 00:11:59.460 --> 00:12:01.660 speichern Sie Wörter mit einer Liste der Dokumente, in denen Sie vorkommen. 00:12:02.000 --> 00:12:04.720 Das bedeutet, wenn Sie nach einem Begriff suchen, springen Sie direkt an die richtige Stelle. 00:12:05.040 --> 00:12:06.260 Kein Blättern durch jede einzelne Seite. 00:12:06.260 --> 00:12:08.280 Das Ergebnis ist eine enorme Geschwindigkeitscheck. 00:12:08.640 --> 00:12:11.860 Anstatt jedes Dokument scannen zu müssen, was bei wachsender Datenmenge immer länger dauert, 00:12:11.940 --> 00:12:13.420 springen Sie direkt an die richtige Position. 00:12:13.700 --> 00:12:13.900 Sehr. 00:12:14.740 --> 00:12:18.040 Bei Millionen von Dokumenten macht das den Unterschied zwischen einer Suche, die Sekunden dauert, 00:12:18.240 --> 00:12:19.860 und einer, die nur Millisekunden benötigt. 00:12:20.520 --> 00:12:23.840 Sie verstehen jetzt also, was Azure AI Search ist, wie die Kernkomponenten zusammenwirken 00:12:23.840 --> 00:12:25.260 und warum die hybride Suche alles verändert. 00:12:26.160 --> 00:12:28.040 Fassen wir zusammen, was Sie damit konkret tun können. 00:12:29.000 --> 00:12:30.180 Erstens verstehen Sie Ihre Daten. 00:12:30.620 --> 00:12:35.060 Wenn Sie bereits strukturiert sind, etwa Produkttabellen in SQL, Kundendatensätze in einer Datenbank 00:12:35.060 --> 00:12:38.500 oder alles mit sauberen Zeilen und Spalten, können Sie diese direkt mit SQL abfragen. 00:12:39.320 --> 00:12:41.480 Azure AI Search wurde für unstrukturierten Text entwickelt. 00:12:41.920 --> 00:12:44.040 Das sind PDFs, E-Mails, Word-Dokumente und Support-Tickets. 00:12:44.820 --> 00:12:45.960 Dort liefert es den echten Mehrwert. 00:12:46.700 --> 00:12:50.060 Zweitens, wenn Sie eine RAG-Anwendung oder einen KI-Assistenten entwickeln, 00:12:50.200 --> 00:12:53.520 ist Azure AI Search mit hybrider Suche die ideale Retrieval-Engine dafür. 00:12:54.180 --> 00:12:57.880 Es bietet exakte Keyword-Treffer für Präzision und semantisches Verständnis für den Kontext. 00:12:58.500 --> 00:13:02.440 Diese Kombination liefert zuverlässigere, zitierfähige Antworten als jeder Ansatz für Sie allein. 00:13:02.440 --> 00:13:05.380 Drittens, komplizieren Sie das Setup mit unnötig. 00:13:05.920 --> 00:13:07.560 Das Azure Portal bietet einen Assistenten für den Daten. 00:13:07.900 --> 00:13:10.320 Verbinden Sie Ihren Blob-Speicher, konfigurieren Sie einige Einstellungen 00:13:10.320 --> 00:13:12.020 und lassen Sie den Indexer Ihren ersten Index erstellen. 00:13:12.200 --> 00:13:13.920 Sie können Ihre erste Suche in unter einer Stunde starten. 00:13:14.220 --> 00:13:15.760 Das ist also Azure AI Search, einfach erklärt. 00:13:16.220 --> 00:13:18.180 Es nimmt ungeordnete, unstrukturierte Informationen 00:13:18.180 --> 00:13:20.900 und macht daraus durchsuchbares, KI-fähiges Wissen. 00:13:21.400 --> 00:13:22.140 Danke, dass Sie dabei waren. 00:13:22.460 --> 00:13:23.980 Abonnieren Sie und wir sehen uns in der nächsten Folge. 00:13:23.980 --> 00:13:53.960 Abonnieren Sie und wir sehen uns in der nächsten Folge.